Pereiti prie pagrindinio turinio
Lietuvių— Pasirinkite kalbą
Meniu

Automatiškai analizuokite duomenis iš kelių šaltinių

Paskaita 5 iš 12 Atnaujinta 2026 m. lapkričio 5 d. Vidutinis lygis
Šiame puslapyje
  1. Paverskite žalius duomenis veiksmais pagrįstomis įžvalgomis
  2. Išsibarstusių duomenų problema
  3. Trys duomenų šaltinių pateikimo būdai
  4. Atlikite analizę keturiais žingsniais
  5. Susiejimas, kurio nebūtumėte paprašęs
  6. Jūsų eilė
  7. Svarbiausi punktai

Paverskite žalius duomenis veiksmais pagrįstomis įžvalgomis

Vienas didžiausių aukšto samprotavimo lygio modelio privalumų – gebėjimas sugerti duomenis iš įvairių šaltinių, juos susieti ir padaryti logiškas išvadas. Šioje pamokoje sužinosite, kaip panaudoti šią galimybę automatizuoti savo analizes: nuo duomenų pateikimo būdo iki modelio atsakymų interpretavimo.

Išsibarstusių duomenų problema

Versle duomenys niekada nebūna vienoje vietoje. Pajamų rodikliai guli „Excel“ skaičiuoklėje, rinkos tyrimai – PDF faile, klientų atsiliepimai – el. laiškų grandinėje, o svetainės metrika – CSV eksporte. Rankinis visų šių duomenų suderinimas užtrunka valandas, ir šį darbą tenka kartoti kiekvieną laikotarpį.

Aukšto samprotavimo modelis apdoroja šiuos nevienalyčius šaltinius viename pokalbyje ir pateikia integruotą santrauką. „ChatGPT“ sistemoje galite pridėti skaičiuokles, PDF dokumentus, tekstinius failus ir vaizdus; skaičiavimus atlieka „Data Analysis“ įrankis, vykdantis „Python“ kodą. Nufotografuota prietaisų skydelio nuotrauka taip pat gali būti šaltinis, tačiau yra viena sąlyga: „OpenAI“ įspėja, kad tikslios reikšmės iš lentelės vaizde nėra išgaunamos patikimai, todėl, kai svarbūs skaičiai, geriau pateikti originalų failą.

Trys duomenų šaltinių pateikimo būdai

Pirmasis ir tiesioginis būdas – failų įkėlimas. „ChatGPT“ viename pokalbyje priima kelis failus: „Excel“ darbo knygas ir CSV failus, PDF dokumentus, diagramų ar ekrano kopijų vaizdus bei tekstinius failus, o modelis juos analizuoja vienu metu. Tiesiog įkelkite juos kartu ir vienu sakiniu suformuluokite savo prašymą susieti duomenis.

„Štai mano Q1 pardavimų failas („Excel“), industrijos ataskaita (PDF) ir „Google Analytics“ metrika (CSV). Susiekite šiuos tris šaltinius ir nustatykite 5 pagrindines tendencijas su jas pagrindžiančiais duomenimis.”

Antrasis būdas – struktūruotas kopijavimas ir įklijavimas – tinka mažesniems duomenų rinkiniams, kuriuos įklijuojate tiesiai į užklausą. Svarbu aiškiai pavadinti kiekvieną bloką; kitaip modelis turės spėlioti, kas kam priklauso.

„1 šaltinis – Pardavimai pagal regionus: [lentelė] 2 šaltinis – Klientų pasitenkinimas pagal regionus: [lentelė] 3 šaltinis – Rinkodaros biudžetas pagal regionus: [lentelė] Išanalizuokite rinkodaros biudžeto, pardavimų ir pasitenkinimo koreliaciją pagal regionus.”

Trečiasis būdas tampa būtinas, kai dokumentai per dideli, kad būtų pateikti tokie, kokie yra: juos apibendrinote patys ir perduodate tik pagrindinius duomenis. Prarandate detales, bet išlaikote tai, kas lemia analizę, kaip šiuo pavyzdžiu, kai tikroji problema yra rinkos augimo ir vidinio augimo skirtumas.

„Turiu tris šaltinius. Industrijos ataskaitoje nurodoma, kad 2025 m. rinka išaugs 12 %. Mūsų vidiniai pardavimai rodo +8 %. Klientų atsiliepimuose minimi per ilgi pristatymo laikai (NPS sumažėjo nuo 42 iki 35). Išanalizuokite rinkos augimo ir mūsų augimo skirtumą, atsižvelgdami į klientų atsiliepimus.”

Jei analizę automatizuojate naudodami API, „Responses API“ leidžia prie didelio intensyvumo lygio modelio prijungti įrankius (kodo vykdymą, paiešką, failų prieigą). Naudojant Programmatic Tool Calling, modelis rašo ir vykdo „JavaScript“ kodą izoliuotoje V8 aplinkoje, kad iškviestų šiuos įrankius, potencialiai lygiagrečiai. Tada jis filtruoja, grupuoja arba agreguoja tarpinius rezultatus, prieš grąžindamas modelui glaustesnį rezultatą. „OpenAI“ rekomenduoja šį metodą, kai kelis rezultatus galima rūšiuoti arba agreguoti kodu, o tiesioginį kvietimą pataria naudoti tada, kai kiekvienam rezultatui reikia naujo modelio vertinimo.

Susiekite kelis šaltinius Keturi žingsniai: apibrėžkite, ko ieškote; pateikite originalius failus su suderintais laikotarpiais ir vienetais; prašykite nustatymų, priežasčių ir veiksmų santraukos; gilinkitės į vieną punktą, tada į kitą. ANALIZĖ IŠ KELIŲ ŠALTINIŲ Susiekite kelis šaltinius 1 Apibrėžkite Ko ieškote 2 Pateikite Originalius failus, suderintus 3 Apibendrinkite Nustatymai, priežastys, veiksmai 4 Gilinkitės Į vieną punktą, tada į kitą Skaičiavimus atlieka „Data Analysis“; lentelė vaizde nėra patikima iki tikslios skaitmens reikšmės.
Pagal straipsnį „Data analysis with ChatGPT“ iš „OpenAI“ pagalbos centro (2026 m. lapkritis).

Atlikite analizę keturiais žingsniais

Viskas prasideda nuo konteksto nustatymo, ir šis žingsnis atliekamas prieš įkeliant bet kokius failus. Pasakykite modeliui, ko ieškote: „Pateiksiu 3 failus. Noriu lyginamosios analizės, kuri nustatytų veiklos spragas tarp mūsų regionų, koreliacijas su rinkodaros biudžetu ir pateiktų veiksmų rekomendacijas“, – ir jis žinos, ką iš kiekvieno šaltinio išsaugoti, užuot viską paviršutiniškai apibendrinęs.

Toliau pateikite duomenis nustatę aukštą samprotavimo lygį („High“ pokalbiuose, high API sąsajoje), kad būtų užtikrintas kruopštus duomenų susiejimas. Tuomet prašykite struktūruotos santraukos, o ne laisvo minties srauto teksto: „Parengkite ataskaitą iš 3 dalių: (1) Faktiniai nustatymai su skaičiais, (2) Priežasčių analizė, (3) Prioritetinės rekomendacijos. Kur tinkama, naudokite lenteles.“ Galiausiai – kartokite. Modelis išlaiko viso pokalbio kontekstą, todėl galite gilintis į konkrečius punktus – „Detaliau išnagrinėkite Il de Franso regioną. Kodėl NPS krenta, nors pardavimai auga?“ – neperkraunant visko iš naujo. Pirmoji analizė retai būna geriausia; vertingos įžvalgos atsiranda diskusijos eigoje.

Susiejimas, kurio nebūtumėte paprašęs

Tikroji aukšto lygio samprotavimo galia atsiskleidžia tada, kai pakviečiate modelį sujungti dimensijas, į kurias galbūt nebūtumėte atkreipęs dėmesio, pavyzdžiui: „Ar yra koreliacija tarp dienų, kai svetainės lankomumas didelis, ir dienų, kai padaugėja skundų? Jei taip, pasiūlykite paaiškinamąją hipotezę.“ Tada modelis suderina laiko eiles, apskaičiuoja koreliacijas, suformuluoja priežastinius ryšius ir, svarbiausia, aiškiai atskiria koreliaciją nuo priežastingumo, užuot daręs skubotas išvadas. Tačiau ši apsauga yra dalinė: priežastingumo nustatymas yra jūsų srities ekspertizė, o ne modelio užduotis.

Jūsų eilė

Trys šaltiniai, vienas susiejimas. Paruoškite tris šaltinius iš savo darbo, net ir paprastus. Pridėkite „Excel“ failą su pardavimais ar metrika, pridėkite antrą failą, apimantį kitą dimensiją – biudžetą, pasitenkinimą, darbuotojų skaičių – ir paprašykite susieti duomenis aukštu samprotavimo lygiu, kad skaičiavimus atliktų „Data Analysis“. Jei nieko neturite po ranka, paprašykite modelio pirmiausia sugeneruoti realistišką fiktyvų duomenų rinkinį jūsų industrijai, o tada jį išanalizuokite taip, lyg jis būtų tikras.

Dvi klaidos sugadina daugumą pirmųjų bandymų. Pirmoji – dešimties failų išmetimas be krypties: nenustačius konteksto, modelis pateikia bendrą santrauką. Antroji – klastingesnė: nenuoseklūs duomenys. Prieš pradedant bet ką, patikrinkite, ar laikotarpiai, vienetai ir kategorijos jūsų šaltiniuose sutampa; kitaip gausite puikiai pagrįstą analizę, paremtą skaičiais, kurių negalima lyginti.

Oficialūs šaltiniai: Data analysis with ChatGPT („OpenAI“ pagalbos centras: failai, „Python“, lentelės vaizduose) · Programmatic Tool Calling („OpenAI“ API: programos, koordinuojančios įrankius, kada naudoti) · Reasoning models (intensyvumo lygiai)

Svarbiausi punktai

  • Aukštas samprotavimo lygis susieja skaičiuokles, PDF, CSV ir vaizdus; skaičiavimus atlieka „Data Analysis“
  • Nustatykite analizės kontekstą prieš pateikdami duomenis ir įjunkite aukštą samprotavimą duomenų susiejimui
  • Per „Responses API“, „Programmatic Tool Calling“ leidžia izoliuotai „JavaScript“ programai koordinuoti įrankius ir filtruoti tarpinius rezultatus
  • Prašykite struktūruotų santraukų (nustatymai, analizė, veiksmai) ir gilinkitės į įdomius punktus
  • Rezultatuose visada atskirkite koreliaciją nuo priežastingumo